چگونه برنامه های Node.js را برای ترافیک و کارایی بالا مقیاس بندی کنیم

Summarize this content to 400 words in Persian Lang
در دنیای دیجیتال پر سرعت امروز، برنامه‌ها باید میلیون‌ها درخواست را به‌طور یکپارچه و بدون توقف انجام دهند. کلید این امر در مقیاس‌بندی نهفته است – اطمینان از اینکه برنامه شما می‌تواند رشد کند تا تقاضای کاربر را برآورده کند. Node.js، با معماری رویداد محور و غیر مسدود کننده خود، یک انتخاب عالی برای ساخت برنامه های کاربردی مقیاس پذیر و با کارایی بالا است. با این حال، برای دستیابی به مقیاس پذیری بهینه، باید استراتژی ها و تکنیک های اثبات شده را پیاده سازی کنید.

این مقاله روش‌هایی را برای مقیاس‌بندی مؤثر برنامه‌های Node.js بررسی می‌کند تا اطمینان حاصل شود که در زیر ترافیک سنگین عملکرد خوبی دارند.

مقدمه

برنامه‌های کاربردی مدرن باید ترافیک رو به رشد را تامین کنند و مقیاس‌بندی تضمین می‌کند که پاسخگو و قابل اعتماد باقی بمانند. Node.js به دلیل سبک وزن و زمان اجرا کارآمد مزایای قابل توجهی برای مقیاس پذیری ارائه می دهد. با این حال، مانند هر فناوری دیگری، دستیابی به عملکرد بالا در ترافیک سنگین نیازمند درک ویژگی‌ها و محدودیت‌های اصلی آن است.

درک مقیاس پذیری Node.js

طبیعت رویداد محور و غیر مسدود کننده

Node.js درخواست ها را به صورت ناهمزمان پردازش می کند و چندین کار را بدون مسدود کردن اجرا انجام می دهد. این باعث می‌شود که آن را برای عملیات‌های سنگین I/O مانند تماس‌های API یا کوئری‌های پایگاه داده مناسب کند.

چالش های یک معماری تک رشته ای

در حالی که Node.js از یک رشته برای اجرای جاوا اسکریپت استفاده می کند، این می تواند به یک گلوگاه در زیر بارهای کاری سنگین محدود به CPU مانند پردازش داده یا رمزگذاری تبدیل شود.

مقیاس افقی در مقابل عمودی

– مقیاس بندی افقی: شامل افزودن سرورهای بیشتر برای مدیریت بار افزایش یافته است. Node.js این کار را با ویژگی هایی مانند خوشه بندی آسان می کند.

– مقیاس عمودی: شامل ارتقاء منابع سرور (CPU، حافظه) است. سود محدودی را به همراه دارد و می تواند پرهزینه باشد.

تکنیک های کلیدی برای مقیاس بندی Node.js

خوشه بندی

Node.js می تواند از چندین هسته CPU با استفاده از cluster ماژول این امکان اجرای چندین نمونه از برنامه شما را به صورت موازی فراهم می کند.

const cluster = require(‘cluster’);
const http = require(‘http’);
const numCPUs = require(‘os’).cpus().length;

if (cluster.isMaster) {
for (let i = 0; i < numCPUs; i++) {
cluster.fork(); // Create a worker for each CPU core
}
cluster.on(‘exit’, (worker, code, signal) => {
console.log(`Worker ${worker.process.pid} died`);
cluster.fork(); // Restart a new worker if one dies
});
} else {
http.createServer((req, res) => {
res.writeHead(200);
res.end(‘Hello World\n’);
}).listen(8000);
}

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

نحوه کار کد:این کد چندین پردازش (کارگر) را برای رسیدگی به درخواست های دریافتی، با استفاده از تمام هسته های CPU ایجاد می کند. هنگامی که یک کارگر فوت می کند، کارگر جدید به طور خودکار ایجاد می شود.

تعادل بار

توزیع ترافیک در چندین سرور از بارگذاری بیش از حد یک نمونه منفرد جلوگیری می کند. ابزارهایی مانند NGINX یا HAProxy می توانند به عنوان متعادل کننده بار عمل کنند.

پیکربندی نمونه NGINX:

http {
upstream backend {
server 127.0.0.1:3000;
server 127.0.0.1:3001;
server 127.0.0.1:3002;
}

server {
listen 80;
location / {
proxy_pass http://backend;
}
}
}

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

کد چگونه کار می کند

این upstream بلوک سرورهای باطن را تعریف می کند و proxy_pass ترافیک ورودی را به یکی از سرورها هدایت می کند.

ذخیره سازی

استفاده از سیستم های کش مانند Redis یا Memcached می تواند زمان پاسخگویی را با ذخیره سازی داده های درخواستی مکرر در حافظه به طور چشمگیری کاهش دهد.

const redis = require(‘redis’);
const client = redis.createClient();

client.set(‘key’, ‘value’, redis.print); // Store a value
client.get(‘key’, (err, value) => {
console.log(value); // Fetch the stored value
});

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

نحوه کار کداین مثال ذخیره و بازیابی داده ها از Redis را نشان می دهد و نیاز به پرس و جوهای مکرر پایگاه داده را کاهش می دهد.

بهینه سازی پایگاه داده

بهینه سازی پایگاه داده شما تضمین می کند که می تواند به طور موثر بار افزایش یافته را مدیریت کند.

ادغام اتصال: استفاده مجدد از اتصالات پایگاه داده موجود برای کاهش سربار.
نمایه سازی: با سازماندهی کارآمد داده ها، اجرای پرس و جو را سرعت می بخشد.
بهینه سازی پرس و جو: از واکشی داده های غیر ضروری با طراحی مناسب SQL خودداری کنید.

مثال: پرس و جوی SQL بهینه شده

SELECT id, name FROM users WHERE active = true;

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

رویکردهای مقیاس بندی پیشرفته

موضوعات کارگری

Node.js از multithreading برای کارهای محدود به CPU با استفاده از پشتیبانی می کند worker_threads.

const { Worker } = require(‘worker_threads’);

function runWorker(file) {
return new Promise((resolve, reject) => {
const worker = new Worker(file);
worker.on(‘message’, resolve);
worker.on(‘error’, reject);
worker.on(‘exit’, (code) => {
if (code !== 0) reject(new Error(`Worker stopped with exit code ${code}`));
});
});
}

runWorker(‘./worker.js’).then((result) => console.log(result));

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

نحوه کار کداین کد یک worker thread جداگانه برای محاسبات سنگین اجرا می کند و رشته اصلی را برای رسیدگی به درخواست ها آزاد می کند.

Containerization و Kubernetes

با استفاده از Docker و Kubernetes، می توانید برنامه خود را در کانتینرها مستقر کنید، از ثبات در بین محیط ها اطمینان حاصل کنید و مقیاس خودکار را فعال کنید.

مثال Autoscaler Pod Kubernetes Horizontal Pod:

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
name: node-app
spec:
scaleTargetRef:
apiVersion: apps/v1
kind: Deployment
name: node-app
minReplicas: 1
maxReplicas: 10
metrics:
– type: Resource
resource:
name: cpu
targetAverageUtilization: 50

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

توضیحاین پیکربندی تعداد پادها را بر اساس استفاده از CPU مقیاس می‌دهد و اطمینان می‌دهد که منابع به صورت پویا با تقاضا مطابقت دارند.

نظارت و بهینه سازی

ابزارهای نظارتی مانند PM2، New Relic، و DataDog بینش‌های بی‌درنگ درباره عملکرد برنامه شما ارائه می‌کنند.

مثال با PM2:

pm2 start app.js –name “node-app” –watch
pm2 monit

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

نحوه کار کددستور pm2 برنامه را راه‌اندازی می‌کند، عملکرد آن را نظارت می‌کند و در صورت خرابی آن را مجدداً راه‌اندازی می‌کند.

بهترین روش ها برای طراحی مقیاس پذیر

– معماری بدون دولت: خدمات طراحی کنید تا از ذخیره سازی داده های جلسه به صورت محلی اجتناب شود و مقیاس افقی را امکان پذیر می کند. از فضای ذخیره سازی توزیع شده مانند Redis برای مدیریت جلسه استفاده کنید.

– عملیات ناهمزمان: برای به حداکثر رساندن توان، اطمینان حاصل کنید که تمام عملیات I/O غیرمسدود هستند.

– خاموش شدن های زیبا: سیگنال‌های SIGINT و SIGTERM را برای پاکسازی منابع در حین مقیاس‌بندی یا استقرار مدیریت کنید.

مثال: خاموش شدن برازنده در Node.js

process.on(‘SIGTERM’, () => {
console.log(‘Closing connections…’);
server.close(() => {
console.log(‘Server closed.’);
});
});

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

نتیجه گیری

مقیاس‌بندی برنامه‌های Node.js یک چالش چند وجهی است که به معماری متفکرانه و تکنیک‌های اثبات‌شده نیاز دارد. از خوشه‌بندی و متعادل‌سازی بار گرفته تا کانتینری‌سازی و نظارت، هر روش به ساختن سیستم‌های ارتجاعی با قابلیت مدیریت ترافیک بالا کمک می‌کند. ترکیب این استراتژی‌ها تضمین می‌کند که برنامه شما می‌تواند رشد کند و با تقاضای کاربر سازگار شود و عملکرد یکپارچه را در هر مقیاسی ارائه دهد.

مقدمه

راهکارهای پرداخت انعطاف پذیر چیست؟

اهمیت راه حل های پرداخت انعطاف پذیر

مروری بر بازار و اقتصاد گیگ

چالش های پیش روی کارگران Gig Economy و فروشندگان بازار

چگونه API Chimoney به این مسائل رسیدگی می کند

نتیجه گیری

const cluster = require('cluster');
const http = require('http');
const numCPUs = require('os').cpus().length;

if (cluster.isMaster) {
  for (let i = 0; i < numCPUs; i++) {
    cluster.fork(); // Create a worker for each CPU core
  }
  cluster.on('exit', (worker, code, signal) => {
    console.log(`Worker ${worker.process.pid} died`);
    cluster.fork(); // Restart a new worker if one dies
  });
} else {
  http.createServer((req, res) => {
    res.writeHead(200);
    res.end('Hello World\n');
  }).listen(8000);
}

http {
  upstream backend {
    server 127.0.0.1:3000;
    server 127.0.0.1:3001;
    server 127.0.0.1:3002;
  }

  server {
    listen 80;
    location / {
      proxy_pass http://backend;
    }
  }
}

const redis = require('redis');
const client = redis.createClient();

client.set('key', 'value', redis.print); // Store a value
client.get('key', (err, value) => {
  console.log(value); // Fetch the stored value
});

SELECT id, name FROM users WHERE active = true;

const { Worker } = require('worker_threads');

function runWorker(file) {
  return new Promise((resolve, reject) => {
    const worker = new Worker(file);
    worker.on('message', resolve);
    worker.on('error', reject);
    worker.on('exit', (code) => {
      if (code !== 0) reject(new Error(`Worker stopped with exit code ${code}`));
    });
  });
}

runWorker('./worker.js').then((result) => console.log(result));

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: node-app
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: node-app
  minReplicas: 1
  maxReplicas: 10
  metrics:
  - type: Resource
    resource:
      name: cpu
      targetAverageUtilization: 50

pm2 start app.js --name "node-app" --watch
pm2 monit

process.on('SIGTERM', () => {
  console.log('Closing connections...');
  server.close(() => {
    console.log('Server closed.');
  });
});